Determinan Tingkat Kemiskinan Kabupaten/Kota Di Provinsi Jawa Timur Tahun 2017-2019 Menggunakan Spatial Error Model dengan pendekatan Fixed Effect
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Pada tahun 2019 terjadi pengelompokan tingkat kemiskinan kabupaten/kota di Jawa Timur. Tingkat kemiskinan yang tinggi berada di wilayah utara, sementara wilayah bagian tengah hingga bagian selatan Jawa Timur sudah memiliki tingkat kemiskinan yang tergolong rendah. Hal ini mengindikasikan tingkat kemiskinan kabupaten/kota di Jawa Timur memiliki keterkaitan spasial antarwilayah. Pola keterkaitan spasial ini juga terlihat di tahun 2017 dan 2018. Maka dari itu, penelitian ini bertujuan mengidentifikasi keterkaitan spasial tingkat kemiskinan kabupetan/kota di Jawa Timur dan variabel-variabel yang memengaruhi tingkat kemiskinan tersebut dari tahun 2017 sampai 2019. Model yang diterapkan adalah SEM dengan pendekatan FEM. Penelitian ini mencakup seluruh wilayah di Jawa Timur. Variabel dependen dari penelitian ini merupakan tingkat kemiskinan. Variabel yang diduga memengaruhi tingkat kemiskinan adalah pertumbuhan ekonomi, IPM, dan jumlah penduduk. Data keseluruhan variabel dikutip dari BPS. Periode penelitian ini dari tahun 2017 sampai 2019. Periode penelitian ini dipilih dengan pertimbangan ketersediaan data untuk berbagai variabel yang diperlukan. Dari model terbaik diperoleh pertumbuhan ekonomi, IPM, dan jumlah penduduk berpengaruh signifikan dalam penurunan tingkat kemiskinab. Selain faktor tersebut ada faktor lain yang dapat memengaruhi tingkat kemiskinan yang berada pada wilayah yang dianggap bertetanggaan.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle